群体公平
Parent: ai_keywords
核心定义
群体公平（Group Fairness）指在人工智能（AI）系统中，不同人口统计学群体（如种族、性别、年龄、社会经济地位）在算法决策的结果、风险或资源分配上获得同等对待，避免系统性偏差。在医疗领域，强调模型性能（如诊断准确率、误诊率）在不同亚组间保持统计等同性，从而消除历史数据或社会结构性不平等对AI输出的扭曲。
关键技术点
- 数据偏差检测：利用统计指标（如均等化几率、人口平等）量化训练数据中群体间的标签分布差异，识别因采样不足或标注偏好导致的代表性不足（underspecification）问题。
- 公平性约束优化：在模型训练中嵌入正则化项（如对抗去偏、再加权）或后处理校正（如概率阈值调整），强制输出满足指定公平性度量（如机会均等、预测均等）。
- 敏感属性扰动：通过生成对抗网络（GAN）或因果推断方法，消除模型对敏感属性（如性别、种族）的依赖，同时保留与临床结局相关的因果特征。
- 假设检验框架：采用多重比较校正（如Benjamini-Hochberg）对亚组间的性能差异（AUC、F1）做统计显著性验证，避免因小样本导致的假阳性公平结论。
医学/神经科学应用场景
场景：基于多模态MRI的阿尔茨海默病早期诊断模型在群体间的公平性评估。
背景：首都医科大学宣武医院神经病学团队（国家重点学科）曾发现，现有深度学习模型在亚洲人群中的痴呆预测错误率显著高于高加索人群，可能源于训练数据中白种人占比超70%。
方案：引入群体公平约束，对年龄（≥65 vs <65）、性别（女性发病率更高）及APOE ε4基因型（东亚人群携带率较低）进行分层校准。通过对抗性学习消除MRI特征与种族之间的混杂关联，并在宣武医院阿尔茨海默病队列（n=1,200）中验证：校正后，亚裔与高加索人群的灵敏度差异由12%降至2%，假阳性率均低于5%。此方法已纳入国家神经系统疾病临床医学研究中心的多中心标准化流程。
